一种基于标准化人眼图像的视线估计算法

本文提出了一种基于标准化人眼图像的视线估计算法,能有效解决头部运动对视线估计的影响.本算法在一个红外摄像机和三个红外光源的条件下,利用三个光斑(光源在角膜表面的反射点)的图像信息,将人眼图像变换到标准化人眼图像.通过引入标准化人眼图像,使屏幕平面到标准化人眼图像平面的射影变换为定值,从而使标准化人眼图像的瞳孔中心和屏幕上的视点的变换关系为定值,由此解决了头部运动对视线估计的影响.实验结果验证了该算法在头部运动情况下的有效性.     

针对环状流形数据的非线性降维

近年来出现了多种新型的非线性降维方法,且在一些应用中体现出良好的效果.然而,当面对球体、柱体等环状流形产生的非线性流形数据时,这些方法往往会失效.针对这一问题,提出了针对环状流形数据的环结构检测算法与非线性降维方法.理论上,基于目前极受关注的Isomap降维方法的运行原理,给出了一个判断环状流形的充要条件;算法上利用所得的判断定理,制订了基于数据的环状流形检测算法:最后基于所找到的环结构,利用极坐标展开的思想设计了针对环状流形数据的非线性降维策略.针对一系列典型环状流形数据集的仿真实验结果表明,与其他流形学习降维方法相比,该方法对环状流形数据进行降维具有显著优势.     

针对非连通流形数据降维的过渡曲线方法

针对位于非连通流形上的数据的特征提取是流形学习领域的一个公开问题,分解-整合算法是目前处理此问题的最有效的方法.然而,此算法的最大局限是边缘问题,即当不同类间的最短距数据对位于相应类内而非类边缘时,算法往往表现异常.针对这一关键问题,提出了一种解决方法——过渡曲线方法.其主要思想为,通过构建连接不同类边缘最短距数据对间的平滑过渡曲线以使流形类间的连接关系更为有效,进而使得数据的全局形态在低维空间中能够更好地保持.一系列人工与图像数据集上的实验结果表明,过渡曲线方法的表现明显优于分解-整合算法,特别是,边缘问题得到了解决,这极大地扩展了分解-整合算法的应用范围.     

Incremental Alignment Manifold Learning

A new manifold learning method,called incremental alignment method(IAM),is proposed for nonlinear dimensionality reduction of high dimensional data with intrinsic low dimensionality.The main idea is to incrementally align low-dimensional coordinates of input data patch-by-patch to iteratively generate the representation of the entire dataset. The method consists of two major steps,the incremental step and the alignment step.The incremental step incrementally searches neighborhood patch to be aligned in the next step,and the alignment step iteratively aligns the low-dimensional coordinates of the neighborhood patch searched to generate the embeddings of the entire dataset.Compared with the existing manifold learning methods,the proposed method dominates in several aspects:high efficiency,easy out-of-sample extension,well metric-preserving,and averting of the local minima issue.All these properties are supported by a series of experiments performed on the synthetic and real-life datasets.In addition,the computational complexity of the proposed method is analyzed,and its efficiency is theoretically argued and experimentally demonstrated.